渣打银行
AI Software Engineer - Apps
AI Software Engineer - Apps
发布于 6 个月前普通员工/个人贡献者
广州市
高级经验
全职员工
混合式弹性办公
本科
软件工程
提示工程
AI应用开发
Javascript
LLM
NoSQL
RAG
SQL
AI 估算 · 25k–45k
AI软件工程师，负责生成式AI应用，银行技术岗待遇优厚。
职位详情
关于这个职位
这是一个连接先进AI技术与银行业务应用的关键角色
您将负责设计、优化和管理AI提示词，以提升语言模型的性能，并确保其与业务目标保持一致
同时，您需要分析复杂数据集以提取可执行的洞察，支持银行的战略举措并提升运营效率
您将与AI团队、数据科学家、软件工程师及业务方紧密合作，将AI解决方案整合到银行业务中
最低要求
学历：计算机科学学士或硕士
培训：完成过使用Python的真实世界生成式AI项目
语言：英语
技能与经验：
使用Python/JS/TS进行软件开发的经验（至少4年）
使用FastAPI设计/实现可扩展的Python后端API
深刻理解能够扩展复杂应用程序的代码模式，实现高质量、高度可复用的实现（前端或后端均可）
在SQL和NoSQL数据库设计方面有丰富经验
具备LLM技术（例如：RAG、Agentic Framework、Graph RAG）及查询LLM端点的实践经验
具备文档编写能力（需求/用例/业务规则/用户故事等）
工作职责
战略：交付、构建和维护银行AI用例的解决方案，并增强银行AI工具的功能
业务：加速为银行各业务和职能部门交付AI用例，重点关注：
职责：
设计与优化生成式AI应用：开发、测试和完善AI应用，确保其最佳性能并与业务目标保持一致
可扩展性与可用性：将工程思维带入AI应用，创建能够可靠服务于大规模用户群的应用，并实现对AI思考和决策的实时可观测性
与跨职能团队协作：与数据科学家、软件工程师和业务利益相关者紧密合作，将AI解决方案整合到银行业务运营中
持续改进：紧跟AI和数据分析领域的最新进展，持续提升AI模型和数据分析流程的质量与效率
文档与培训：记录流程、方法和发现，并就提示工程和数据分析的最佳实践为团队成员提供培训
问责：
质量与性能：对AI软件的质量和性能、其可靠性、正常运行时间和延迟（首次令牌时间）负责
合规性：负责确保所有与AI和数据相关的活动遵守监管和合规要求
利益相关者满意度：负责交付可执行的洞察和有效的AI解决方案，以满足内部利益相关者的需求并支持银行的战略目标
人员与人才：与生成式AI建模师和AI软件开发人员团队合作
风险管理：确保所有数据处理和分析流程符合银行的数据隐私和网络安全标准
治理：
制定并实施变革管理计划，以确保AI解决方案在整个组织内的成功采用
为业务用户提供培训和支持，帮助他们理解并利用AI工具和技术
通过宣传AI的优势并鼓励实验，培养创新和持续改进的文化
监管与商业行为：
展现模范行为，并践行集团的价值观和行为准则
个人负责在渣打银行内嵌入最高的道德标准，包括监管和商业行为
这包括理解并确保遵守所有适用的法律、法规、指南和集团行为准则（无论是字面还是精神）
有效且协作地识别、上报、缓解和解决风险、行为和合规事宜
其他职责：
将“Here for good”和集团的品牌与价值观嵌入到部署到各业务和职能部门的AI团队中
执行集团、国家、业务或职能政策和程序下分配的其他职责
识别并优先考虑具有潜力带来显著业务价值的AI用例
为AI项目制定商业案例，包括成本效益分析、风险评估和投资回报率估算
AI 洞察
优缺点分析
优点
- 平台与行业优势：在渣打银行这样的国际金融机构工作，能接触到真实的、高价值的金融AI用例，行业前景广阔
- 技术栈前沿：专注于生成式AI（LLM、RAG等）和现代软件工程（FastAPI、可扩展架构），技能具有高市场竞争力
- 全面的职业支持：公司提供有竞争力的薪酬福利、灵活办公、持续学习文化和完善的员工关怀计划
- 适合拥有扎实软件工程背景，并对将前沿AI技术应用于解决实际金融业务问题充满热情的技术人才
缺点 / 挑战
- 高要求与复杂性：需要同时精通软件工程和AI技术，并确保AI应用在金融场景下的高性能、高可靠性和合规性，技术挑战大
- 跨领域协作压力：作为连接技术与业务的桥梁，需要频繁与不同背景的团队沟通协调，对沟通和项目管理能力要求高
- 快速迭代与学习压力：AI技术发展迅猛，需持续学习最新进展并应用于实际项目，保持技术领先性存在压力
角色解读
- 技术深度上，可从AI应用开发者成长为AI架构师或领域专家，专注于更复杂的AI系统设计、性能优化和前沿技术探索
- 业务广度上，可向AI产品经理、技术负责人或解决方案架构师发展，更深入地参与业务战略制定、项目管理和跨团队协调
- 核心工作是开发、测试和优化银行的生成式AI应用，确保其性能、可靠性与业务目标对齐
- 负责设计和管理AI提示词，并分析复杂数据以提取业务洞察，支持银行战略
- 与数据科学家、工程师及业务方协作，将AI方案整合到实际业务流程中，并负责相关文档和团队培训
- 扎实的软件工程能力：至少4年Python/JS/TS开发经验，精通使用FastAPI构建可扩展后端API，并深刻理解构建高质量、可复用代码的模式
- 专业的AI与数据技能：具备LLM技术（如RAG、Agentic Framework）的实践经验，能查询LLM端点，并拥有SQL/NoSQL数据库设计经验
- 综合业务与协作能力：能够编写技术文档（需求、用例等），具备良好的英语沟通能力，并能与跨职能团队及内外部利益相关者有效协作
申请策略
- 深入研究公司文化：仔细阅读职位描述中关于公司价值观（如“Do the right thing”, “Never settle”, “Are better together”）和“Here for good”品牌承诺的部分，在申请和面试中体现你与这些文化的契合度
- 明确业务价值导向：在准备申请材料时，始终思考并表达你的技术能力如何为银行的业务目标（如提升效率、支持战略）创造价值，而不仅仅是完成技术任务
- 突出具体的AI项目经验：详细描述你参与过的真实生成式AI项目，特别是使用Python和LLM技术（如RAG）的部分，说明你的角色、技术栈和项目成果
- 展示软件工程能力：重点说明你使用FastAPI或其他框架构建可扩展后端API的经验，以及处理高并发、保证系统可靠性的实践
- 体现数据库与架构设计经验：列举你在SQL和NoSQL数据库设计方面的项目，并阐述你对构建高质量、可复用代码模式的理解
- 补充协作与文档能力：通过项目经历体现你与跨职能团队协作、编写技术文档（需求、用户故事等）的能力
- 深化LLM实践：如果经验尚浅，可以通过开源项目或在线课程，重点实践RAG、智能体框架等LLM应用技术，并熟悉主流LLM API的调用
- 巩固后端工程与架构：复习和练习使用FastAPI/Django等框架构建RESTful API，学习微服务、容器化、可观测性等现代后端工程实践
面试指南
- STAR框架：针对行为类或项目经验类问题，使用情境(Situation)、任务(Task)、行动(Action)、结果(Result)的结构来组织答案，确保回答具体、有逻辑、有成果
- 技术深度与业务结合：回答技术问题时，不仅要说明“怎么做”，还要解释“为什么这么做”（技术选型、权衡取舍），并尽可能联系到对业务价值（性能、成本、用户体验）的影响
- 体现协作与成长思维：在回答协作或挑战类问题时，突出你的沟通方式、问题解决过程，以及从中学到的经验和如何应用于未来工作
- 请详细介绍一个你使用Python和LLM技术（如RAG）完成的生成式AI项目，你在其中扮演什么角色？遇到了什么挑战，如何解决的？
- 你如何设计一个高可用、低延迟的可扩展后端API？请结合FastAPI或其他框架谈谈你的实践经验
- 当AI模型的输出结果与业务预期或合规要求出现偏差时，你会如何分析和解决这个问题？
- 请描述一次你与数据科学家或业务方成功协作完成项目的经历
- 你是如何确保技术方案满足业务需求的？
职位点评
Watch Jobs